这篇论文研究自动驾驶中的实时视频物体检测问题，提出了一种基于流式预测的新型深度学习方法，该方法使用双流动态静态感知模块（DFP）来捕捉运动趋势和基本检测特征，并引入趋势感知损失（TAL）和趋势因子来产生适应性权重，进而优化移动车辆物体的检测结果。

Mar, 2022

本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案，包括基于 YOLOv3 的物体检测，姿态估计和双目 / 单目视觉摄像头的时间同步，强调了适用于赛车领域的感知卷积神经网络的修改，姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估，证明其在实际赛车场景中具有准确性和低延迟性。

Jul, 2020

我们提出了一种全景驾驶感知网络（YOLOP），它可以同时执行交通物体检测、可驾驶区域分割和车道检测三个任务，并在嵌入式设备 Jetson TX2 上实现了实时性的高精度表现。

Aug, 2021

自主驾驶的关键要求是高精度、轻量化和实时响应，本文提出了一种自适应、实时和轻量化的多任务模型，能够同时处理目标检测、行驶区域分割和车道检测任务，并且无需特定定制结构或损失函数。该模型在 BDD100k 数据集上取得了竞争性的结果，尤其在可视化输出方面。此外，通过引入真实道路数据集评估了模型在真实场景中的性能，表现出超出竞争对手的优越性能，证明了模型不仅具备竞争性能，而且更加灵活快速。

Oct, 2023

通过结合 YOLO 系列的最新进展与空间和时间感知机制的综合分析，我们提出了 DAMO-StreamNet 优化框架，以实现实时感知，融合了四个关键创新点，超越了现有的前沿方法，不仅为实时感知设置了新的基准，而且也为未来的研究提供了宝贵的见解。

Mar, 2023

自动驾驶的环境感知是关键因素，研究着重于实现实时感知与预测，通过在不同资源环境中进行计算卸载，最终的模型可以在云端实时运行并提供较好的性能。

Aug, 2023

本篇论文提出了一种用于自动驾驶的拓扑解决方案，其中采用了多阶段框架来实现高性能，包括使用 PETRv2 探测器检测中心线，使用 YOLOv8 检测交通要素，设计简单而有效的基于 MLP 的拓扑预测头， 其方法在 OpenLaneV2 测试集上实现了 55％的 OLS，超过第二个解决方案 8 个点。

Jun, 2023

本文提出了一种软件架构，用于在增强现实环境中使用机器学习进行实时物体检测。我们采用最新的 YOLOv8 网络，它可以在 Microsoft HoloLens 2 头戴式显示器上运行。我们展示了该模型的图像处理流水线以及用于在资源受限的边缘计算平台上实现实时性的技术。实验结果表明，我们的解决方案在不需要将任务卸载到云或其他外部服务器的情况下实现了实时处理，并保持了满意的精度和质量表现。

Jun, 2023

通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。

Jun, 2023

YOLOv7 是一种实时目标检测器，其速度和精度表现均优于已有模型，且只在 MS COCO 数据集上进行训练。

Jul, 2022